Non è la tecnologia a far fallire i progetti di intelligenza artificiale. Solitamente, è la qualità dei dati su cui questi progetti vengono costruiti. Un tema che, nelle agende dei vertici aziendali, viene ancora trattato come un dettaglio tecnico da delegare all’IT, mentre è in realtà una scelta di governance con impatti diretti su conto economico, competitività e rischio.
Indice degli argomenti
I numeri che i vertici aziendali non possono ignorare
Gartner ha rilevato che il 63% delle imprese non ha, o non è certa di avere, processi di gestione dei dati adeguati ai progetti di intelligenza artificiale, anche quando dispongono già di strutture di data management mature. La conseguenza prevista è pesante: entro il 2026 il 60% dei progetti di AI verrà abbandonato perché non supportato da dati di qualità sufficiente.
Tre messaggi chiave per chi guida l’impresa
Primo: i dati sono un fattore di differenziazione competitiva, non solo un costo di manutenzione. Nell’attuale generazione di intelligenza artificiale, i modelli linguistici di grandi dimensioni sono accessibili, nella stessa forma, a tutte le aziende: il loro utilizzo è ormai un punto di parità, non di differenziazione. Ciò che resta davvero proprietario e difficilmente replicabile da un concorrente sono i dati dell’azienda, e la loro qualità. Investire nella qualità dei dati significa investire in un vantaggio competitivo che i concorrenti non possono acquistare semplicemente comprando la stessa tecnologia.
Secondo: la scarsa conoscenza dei propri dati è pericolosa quanto la loro scarsa qualità. Esiste una correlazione inversa tra quanto un’organizzazione conosce realmente i propri dati e quanto tende a sopravvalutarne completezza e affidabilità. Non avere un programma strutturato di gestione della qualità dei dati non significa automaticamente avere dati scadenti: significa, più semplicemente, non saperlo. E prendere decisioni, o automatizzarle su larga scala, senza questa consapevolezza, è un rischio che nessun consiglio di amministrazione dovrebbe accettare in modo implicito.
Terzo: per garantire la qualità dei dati occorre sviluppare un programma di governance continuo, non un progetto con una data di chiusura. Il DAMA DMBOK, il principale corpus di conoscenze internazionale sul data management, la inquadra come un ciclo permanente di pianificazione, intervento, monitoraggio e azioni correttive, che richiede ruoli e responsabilità stabili in azienda (Data Owner, Data Steward, un organo di supervisione dedicato) e non un intervento spot affidato a un progetto una tantum. Le organizzazioni che trattano la data quality come un cantiere da chiudere, anziché come una capacità organizzativa da mantenere nel tempo, sono destinate a ritrovarsi periodicamente allo stesso punto di partenza.
L’obiettivo non è la perfezione, ma l’equilibrio economico
Un ultimo messaggio, controintuitivo ma rilevante per chi decide gli investimenti: l’obiettivo di un programma di data quality non è azzerare gli errori. È minimizzare la somma tra il costo generato dagli errori sul business e il costo necessario per correggerli. Oltre una certa soglia, inseguire una qualità dei dati sempre più elevata costa più di quanto faccia risparmiare. È una logica di investimento, non di perfezione tecnica ed è per questo che la decisione su quanto investire in data quality, e dove, spetta al management, non solo ai team tecnici.
Cosa significa, in pratica, per il management
Prima di finanziare il prossimo progetto di intelligenza artificiale, i vertici aziendali dovrebbero porsi una domanda semplice: sappiamo davvero quanto sono affidabili i dati su cui vogliamo costruirlo? Se la risposta non è immediata e documentata, il primo investimento da fare non è nel modello, ma nella conoscenza e nella qualità dei dati che lo alimenteranno. È una scelta che riduce il rischio di un fallimento costoso e, allo stesso tempo, costruisce l’unico asset che nessun concorrente può replicare acquistando la stessa tecnologia.
Bibliografia essenziale
- Gartner, “Lack of AI-Ready Data Puts AI Projects at Risk”, 26 febbraio 2025: https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
- DAMA International, DAMA Data Management Body of Knowledge (DMBOK): https://dama.org/learning-resources/dama-data-management-body-of-knowledge-dmbok/
Partecipa alla community